Tesla, Amazon, Google and others 14 mission statements from companies that I like

I was curious about vision and mission statements of companies that I like and see how they are compared with my own vision that I have of all these. Here is my selection:

Vision

An aspirational description of what an organization would like to achieve or accomplish in the mid-term or long-term future. It is intended to serves as a clear guide for choosing current and future courses of action.

Source: http://www.businessdictionary.com/definition/vision-statement.html#ixzz3ynbMSRKf

Mission

A written declaration of an organization’s core purpose and focus that normally remains unchanged over time. Properly crafted mission statements (1) serve as filters to separate what is important from what is not, (2) clearly state which markets will be served and how, and (3) communicate a sense of intended direction to the entire organization.

A mission is different from a vision in that the former is the cause and the latter is the effect; a mission is something to be accomplished whereas a vision is something to be pursued for that accomplishment.

Source: http://www.businessdictionary.com/definition/mission-statement.html#ixzz3ync7z0jS

 


 Tesla Motors

  • Mission: “To accelerate the advent of sustainable transport by bringing compelling mass market electric cars to market as soon as possible”.

I liked this one and make sense with company products


 Spotify

  • Mission: “Give people access to all the music they want all the time – in a completely legal & accesible way”

Spotify mission reflect what they do. Accessible music without need to deal with legal issues.


Google

  • Vision: “To provide access to the world’s information in one click.”
  • Mission: “to organize the world’s information and make it universally accessible and useful.”

Despite it sounds too general, Google allows you get access to content with just some clicks.


Facebook

  • Mission: “To give people the power to share and make the world more open and connected.”

Skype

I used to love Skype, now I feel that have decreased their quality as a whole.

  • Vision: “Our vision for Skype has always been to build the world’s largest communications business and revolutionize the ease with which people can communicate through the Internet” -Zennstrom, CEO of Skype

Amazon

  • Vision: “Our vision is to be earth’s most customer centric company; to build a place where people can come to find and discover anything they might want to buy online.”

Apple (Steve Jobs)

  • Mission: “To make a contribution to the world by making tools for the mind that advance humankind”.

Twitter

  • Mission: “To give everyone the power to create and share ideas and information instantly, without barriers”.

Linkedin

  • Mission: Our mission is simple: “To connect the world’s professionals to make them more productive and successful.”

Sprout Farmers Market

“At Sprouts, we don’t have a mission statement—we have a passion statement”

  • Passion statement: “We believe healthy living is a journey and every meal is a choice. We love to inspire, educate and empower every person to eat healthier and live a better life”.

Boeing

  • Vision: “People working together as a global enterprise for aerospace industry leadership”.

Netflix

  • Vision: “Becoming the best global entertainment distribution service.
    Licensing entertainment content around the world.
    Creating markets that are accessible to film makers.
    Helping content creators around the world to find a global audience.”

Banana Republic (Gap)

  • Mission: “be the world’s favorite for American style.”

This statement is no so specific and could lead to lose their focus.


Virgin America

  • Mission: “Virgin America is a California-based airline that is on a mission to make flying good again, with brand new planes, attractive fares, top-notch service, and a host of fun, innovative amenities that are reinventing domestic air travel.”

IBM

  • Values: “Dedication to every client’s success. Innovation that matters, for our company and for the world. Trust and personal responsibility in all relationships.”

Sony

  • Mission: “At Sony, our mission is to be a company that inspires and fulfills your curiosity”.
  • Vision: “Across the world, in all the entertainment and communication sectors in which we operate, every Sony employee is united through a common set of beliefs, ideals and aspirations”.

Focoosin

  • Mission:

“Create software to boosts individual productivity”

 


 

Esurance

This is the company where I work.

  • Mission: “Our mission is to create and provide insurance for the modern world”.

 

 

Sources:
Tesla, Facebook, Google, Spotify, Skype, Amazon, Apple, Twitter, Esurance, Linkedin, Sprout, Boeing, Netflix, Banana Republic, Virgin America, IBM, Sony, Focoosin

Apuntes de Machine Learning

 

Introducción

En este y otros post, espero escribir algunas notas sobre Machine Learning.

A pesar que se utiliza hace muchos años, ultimamente he notado un aumento del abanico de tareas en la cual se aplica, tal vez, por el aumento en la cantidad de información que se recolecta a nivel mundial, el bajo costo de procesadores, sensores, sitios web de alto tráfico y la constante necesidad de ofrecer mejores servicios al usuario final.

Machine Learning se podría clasificar dentro del ámbito de la Inteligencia Artificial (Artificial Intelligence o AI) la cual a su vez es una rama dentro de las ciencias de la computación.

Gran parte del material presentado aquí ha sido extraído tanto de Internet (Machine Learning de Coursera.org, wikipedia, etc), libros y notas personales.

Qué es Machine Learning? Una definición, dada por Tom Mitchell dice algo así: “Es un programa de computador que aprende de la experiencia E, respecto a alguna tarea T y con medida de rendimiento o performance P, si el desempeño sobre la tarea T, medido por P, mejora con la experiencia E.” Otra definición más antigua, del año 1959, dada por Arturh Samuel dice así: “Es el campo de estudio que da a los computadores la habilidad para aprender sin haber sido explícitamente programada

Basado en la primera definición, utilizando el juego de ajedrez, se podría definir identificar:

  • E: Experiencia de jugar varias veces ajedrez.
  • T: La tarea de jugar ajedrez.
  • P: La probabilidad de ganar el siguiente juego.

No esta clara la traducción de Machine Learning al español, ya que a veces se utiliza “Aprendizaje de máquina” u otras veces “Aprendizaje automático”, por lo que seguiré utilizando el termino Machine Learning o ML en el siguiente texto.

En ML, existen dos tipos de aprendizaje:

  • Supervisado.
  • No supervisado.

Aprendizaje Supervisado (Supervised learning)

En aprendizaje supervisado, se cuenta con un conjunto de datos –dataset- para lo cual, ya se sabe cual es el resultado correcto o esperado, por ejemplo, podría ser información histórica con variables atmosféricas de un año para una ciudad y si ha llovido o no en cada día, por lo que los datos de entrada podría ser: presión atmosférica, temperatura, humedad relativa, velocidad y dirección del viento, y la variable de salida sería: “Con precipitación” o “Sin precipitación”.

El aprendizaje supervisado, se categoriza a su vez en:

  • Regresión (Regression)
  • Clasificación (Classification)

En el aprendizaje supervisado de tipo “regresión”, se intenta predecir resultados dentro de una salida continua, es decir, un valor numérico. En esta categoría, podemos encontrar problemas del tipo “Predecir el precio de un bien raíz precio, basado en sus atributos (real state price estimation)”, en ese caso, el precio será un número por lo tanto es del tipo regresión.

En el aprendizaje supervisado del tipo “Clasificación”, a diferencia del tipo regresión, se intenta predecir resultados discretos o dicho de otra manera, que dado un conjunto de datos de entrada, se intenta predecir una categoría o etiqueta, por ejemplo: {“Si”, “No”} o {“Comprar”, “Vender”} o {“Vertebrado”, “Invertebrado”}

Aprendizaje no supervisado (unsupervised learning)

En el aprendizaje no supervisado, se trabaja con problemas en los cuales no se sabe, o se sabe muy poco, respecto a los resultados que se desean predecir, se pueden encontrar estructuras a partir de los datos, sobre los cuales, no se conoce el efecto de las variables.

Se puede encontrar estructuras gracias al agrupamiento (clustering) de datos basado en las relaciones entre las variables de los datos de entrada, pero no sólo agrupamiento es la única forma de aprendizaje no supervisado. La memoria asociativa es un ejemplo de aprendizaje no supervisado.

Ejemplos de aprendizaje no supervisado:

Clustering: Dada una colección de datos de clientes, encontrar una forma de agruparlos, dado distintas variables, como ingreso, genero, compras, etc.

Asociación: Un doctor, con muchos años de experiencia, puede encontrar una asociación entre un conjunto de características, síntomas, registro históricos y una enfermedad.

Ahora, comencemos a ver un poco más en cada uno de los punto introducidos anteriormente.

Regresión lineal con una variable (Linear regression with one variable)

Como ya se mencionó anteriormente, en los problemas de regresión, intentamos mapear variables de entrada a una variable de salida continua. Dado que regresión es una categoría dentro del aprendizaje supervisado, ya se tiene una idea del valor esperado.

Para poder predecir, ya sea un valor discreto o continuo, se utiliza una función, llamada en ML “Hipótesis”.

La función hipótesis, tiene la siguiente forma básica:

hypothesis

Suponiendo que se tiene el siguiente conjunto de datos:

x (entrada) y (salida)
0 4
1 7
2 7
3 8

La idea es poder asignar valores a theta cero y theta uno, con los cuales, se obtendrá un valor de y, para cada x.

Basado en la tabla anterior, podemos asignar un valor aleatorio  para theta 0 y theta 1, digamos 2 y 2 respectivamente, con lo cual queda nuestra función hipótesis de la siguiente manera:

hΘ (x) = 2 + 2x

Por la tanto, ya podemos conocer qué valor deberíamos obtener, si por ejemplo, x = 3, con esto, nos queda:

hΘ (x) = 2 + 2*3 = 8

Para el valor de x=8, la función predice exactamente el valor de salida mostrado en la tabla. Probemos con otro valor de x, ejemplo, x=1.

hΘ (x) = 2 + 2*1 = 4

Con x=1, obtenemos 4 con nuestra función de hipótesis, pero al ver la tabla, deberíamos haber obtenido 7, por lo que hay una diferencia de 7-4 = 3. Por lo tanto, podríamos pensar que los valores elegidos aleatoriamente para theta 0 y theta 1 no son tan buenos… Pero cómo saber si los valores asignados a theta son correctos y por lo tantos, nuestras predicciones serán correctas?

Para responder a esta pregunta y ayudar seleccionar valores óptimos para theta, se utiliza una función de costo.

Función de costo (Cost function)

Una función de costo, nos permite conocer que tan precisa es nuestra función de hipótesis, para ello, toma el promedio de todos los resultados aplicando la función hipótesis y los compara con los valores reales obtenidos (la columna “y” en la tabla anterior).

La función de costo, tiene la siguiente forma:

costfunction1

m: Es la cantidad de elementos, basado en nuestra tabla anterior, m=4.

Aplicando esta función, obtendremos un valor numérico el cual, mientras más  cercano a cero es, nos indica que mejor es nuestra hipótesis. Basicamente, si al aplicar la función de costo, obtenemos 0 (cero) como valor, estaríamos en una situación en la cual nuestra hipótesis, esta prediciendo correctamente cada valor y, para cada entrada x.

Ya hemos visto que nuestra función hipótesis nos permite predecir una variable, y la calidad de estas predicciones será medida utilizando la función de costo en base a una selección de theta 0 y theta 1, pero cómo podemos elegir un valor adecuado para theta 0 y theta 1?

Para esto, existe un algoritmo llamado Gradiente Descendente (Gradient Descent)

Gradiente Descendente

La idea o objetivo del algoritmo del Gradiente Descendente, es minimizar la función de costo, esto es, obtener los valores de theta, para los cuales, se obtiene el menor valor posible. Una forma de conocer para qué valores de theta 0 y theta 1 se obtiene el valor más bajo, es crear un gráfico con dos variables de entrada (theta o y theta 1) y aplicando la función de costo. La imagen siguiente, muestra esta situación, en la cual se ve una superficie en 3 dimensiones en forma de bowl, donde el punto más bajo, corresponde a la mejor selección de theta 0 y theta 1.

gradientdescent1

Para poder encontrar el valor óptimo o más bajo de theta (theta o y theta 1), se utiliza el siguiente algoritmo de gradient descent, el cual en cada iteración se desplaza en la dirección que lo acerca al punto más bajo, para ello utiliza el signo de la tangente en el punto actual (derivando la función). En el gráfico mostrado, se ve que existe un sólo punto donde la función converge, pero con otras funciones, es más difícil o casi imposible encontrar el punto más bajo. Más adelante se verá en mayor detalle este punto.

gradientdescentloop1

Al terminal el loop, theta 0 y theta 1 tienen los mejores valores para ser usados en la función de hipótesis.

Hasta el momento, se ha visto regresión lineal con una sola variable (univariate linear regression), pero ahora veremos análisis de regresión lineal con varias variables de entrada x1, x2,..xn

Regresión lineal con varias variables (multivariate linear regression)

En la mayoría de los casos, nos encontramos en situaciones en las cuales nuestro conjunto de datos tiene más de una variable o atributo de entrada. Por ejemplo, en la predicción de precios de bienes raíces, los atributos o características podrían ser: Superficie de la propiedad en m², número de habitaciones, número de baños, valor promedio de bien raíz en el vecindario.

MulivariateLinearRegression

El texto anterior, fue tomado del curso de Machine Learning en coursera.org.
 

Ahora, re-escribimos la función hipótesis para que acepte varias características o atributos (x₁, x₂,.. xn), quedando de la siguiente forma:

multivariatehypotesis

Ya que tenemos entrada de varios atributos, podemos representar con matrices el conjunto de m entradas y n atributos, tal como se muestra en la siguiente matriz X:
multivariatematrixDe esta manera, en vez de trabajar con elementos individuales, se utiliza vectores para representar tanto las características de una instancia de prueba, así como se utiliza también un vector para representar a teta.

Función de costo para multiples variables (multivariate cost function)

Actualizamos entonces ahora la función de costo para regresión lineal multivariable. y con una flecha encima, representa el vector de la variable de salida, ya no es número único, si que que este vector representa al conjunto entero de salida.

multivariatecostfunction

 

Lo siguiente, será actualizar el algoritmo del descenso del gradiente (gradient descent)

 

 

 


Enlaces para afinar el oído para inglés con acento indio

Debido a que es ampliamente utilizado el inglés con acendo indio, en varios ámbitos, incluyendo en TI, he encontrado una sitio web el cual puede servir para “afinar” el oído para entender inglés en la forma que lo pronuncian los indios.

En el siguiente sitio y link, se pueden escuchar noticias actualizadas de India, pero habladas en Inglés con acento indio y además se pueden leer las transcripciones. Poner atención al seleccionar el audio y el texto para que sean la noticia de la misma hora y del mismo dia. Las noticias son 3 veces al dia en Inglés.

http://www.newsonair.nic.in/full_news.asp?type=bulletins&id=111

El sitio Business Line, también podcasts los cuales se encuentran en inglés con acento indio.
http://www.thehindubusinessline.com/markets/article4265913.ece

En este otro enlaces, puede leer y escuchar un articulo sobre “Indian English”: http://www.livemint.com/Politics/M9lIFcnjnIoK4cf4vONzGL/Indian-English-its-own-variety.html

 

Saludos,

Espero les pueda servir


See in a graph your SQL Server activity

 

SQL Check is a free tool of Idera that allows you see what is happening in your database, monitoring around 20 metrics of performance of SQL Server.

Idera has other paid version with more features.

Graph legend:

 

Regads,

Álvaro

 


This blog has a new domain

Hi everyone,

This mini post is to tell that this blog has a new domain which is shorter than previous. The new address for this blog is brange.me

Regards,

Álvaro Brange


Instalar Kit de desarrollo Java 7 (Install JDK 7 on ubuntu 12.04)

Las últimas versiones de Ubuntu, como la 10.04, no incluye los respositorios para instalar Java JDK 7 debido a problemas con licencias de software. (Ahora viene con OpenJDK)

Los pasos para instalar esta versión en Ubuntu, lo puedes encontrar en el blog  Shine PHP (en inglés)

Keywords: Install JDK 7 in ubuntu

Saludos,

Álvaro Brange


A “RESTful API” in just 3 minutes with Python and Bottle

Hi. This post show a simple and fast way of implement a API server using web services in python

Ingredientes:

Python, Bottle and Route (if you wish test it using a curl style command from python)

Installation (From Terminal)

sudo pip install bottle
sudo pip install requests

Once installed, run python and write (or paste):

from bottle import route, run
@route('/hello')
def hello():
 return "Hello World!"
run(host='localhost', port=8080, debug=True)

After that server is running, open a new terminal console with python and run the following commands to test you server. Note that we a using here a CURL linux’s like command for Python. (Also you could open the  url directly in you browser):

import requests
for i in xrange(1000):
requests.get('http://localhost:8080/hello/world', auth=('user', 'pass'))

And there you are!
Bye